[发明专利]一种光伏阵列故障诊断和预警方法

摘要

本发明为一种光伏阵列故障诊断和预警方法，采用非线性最小二乘法优化的Elman神经网络和决策树结合经验知识构建故障诊断模型，采集当前光伏阵列运行数据和气象数据，计算与历史正常状态数据的误差，当误差大于阈值表示有故障，用故障诊断模型得到相应的故障类型及可信度，最后综合评价得到最终故障类型的可信度，按可信度值大小选择进行故障预警。此后按现场实测情况对故障知识库更新。本发明LM‑Elman神经网络和决策树结合经验知识构建故障诊断模型，提高历史数据敏感性，预测效果优于BP网络，且提高了网络收敛速度和训练的精度；经验知识的补充，使本法鲁棒性更强。实时检测、及时诊断，减少故障发生率，以保光伏电站稳定运行。

主权项

1.一种光伏阵列故障诊断和预警方法，所述光伏阵列为安装于光伏电站内的多个光伏阵列，本方法在光伏阵列故障诊断模型神经网络、故障知识库和决策树模型的基础上进行，其主要步骤如下：I、数据采集采集光伏阵列运行数据和气象数据；所述光伏阵列运行数据Dpv＝{Ipv，Upv，Isc，Uoc，I，U}，包括阵列电流值Ipv、阵列电压值Upv，阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U；所述气象数据Dmete＝{G，T}，包括太阳辐射度G、环境温度T；II、故障检测计算步骤I采集的光伏阵列运行数据与故障知识库中相同气象条件下的历史正常数据的误差并做分析；若误差大于预设的阈值，则结合步骤III所构建和训练好的故障诊断模型进入步骤IV进行故障诊断，否则返回步骤I；III、故障诊断模型的构建与训练包括如下步骤：III‑1、Elman神经网络的构建采用Elman神经网络结构，由输入层、隐含层、承接层及输出层构成；输入层的输入向量用于映射输入数据，其中每个输入向量xi对应光伏阵列的一个电路参数，为：阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I、阵列最大功率点电压U、即输入向量为：X＝{xi|i＝1，2，3，4}＝{ISC，UOC，I，U}；输出层的输出向量用于映射故障类型，即每个yi对应光伏阵列的一种故障类型，为：开路、短路、老化和遮阴，即输出向量为：Y＝{y1，y2，y3，y4}；III‑2、Elman神经网络的训练采用常规的网络训练Matlab程序训练步骤III‑1建立的Elman神经网络，并测试直到其输出结果与目标结果之间的误差达到预设精度时训练结束；预设精度即准确率，设为80～95％；用于判断网络学习是否结束的目标函数如下，其中表示目标输出量，即标签数据；E(w)为本发明构建的模型输出结果和设想目标输出量之间的均方差；当训练达到误差最小时记录权向量；权向量是指由Elman神经网络训练得到从输入层到输出层的路径指向以及该路径的连接权值共同组成的权向量V＝{X，Y，W}；由Elman神经网络训练得到从输入层到输出层的路径的连接权值被视为实现概率；或者，达到预设的最大的迭代次数时，神经网络训练结束，最大的迭代次数设为1500～2500次；或者，目标函数E(w)开始收敛时，神经网络训练结束；III‑3、Elman神经网络的LM优化III‑31、LM优化算法Levenberg‑Marquardt算法简称为LM算法即非线性最小二乘算法，LM算法对网络进行优化，得到LM‑Elman神经网络，提高网络的收敛速度和精度；LM算法公式如下：wk+1＝wk‑[JTJ+μl]‑1JTe   (3‑1)其中，wk表示第k次迭代的网络权值向量，wk+1是新的权值向量；JT为雅可比矩阵，包含了网络误差函数对于权值和偏差的一阶导数；I为单位矩阵；e为网络误差向量；μ为标量因子，通过调节μ的值使得误差性能函数随着迭代的进行而下降到极小值；III‑32、网络连接权值的初始化基于故障知识规则库中的规则可信度或者经验概率，对神经网络构建的连接权值进行预赋值，代替随机化的初始化赋值；III‑4、故障知识库的建立所述故障知识库包含三部分：事实数据库、故障知识规则库和推理机；具体为：III‑41、事实数据库步骤I‑2建立的存放光伏阵列运行数据和气象数据的事实数据库，还存放输入事实、中间结果以及最后推理得到的结果；III‑42、故障知识规则库的构建根据本方法步骤II故障检测和步骤IV故障诊断的学习反馈，得到本领域知识和经验，总结得出的故障知识规则构建为故障知识规则库，每条规则包括规则前件输入事实E、规则后件推理结果Y以及由输入事实E得到推理结果Y的可信度CF；输入事实E为步骤I所得输入向量阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U的当前状态；推理结果Y为故障类型，包括开路、短路、老化和遮阴；本方法设置可信度CF取值范围为‑1～1，可信度CF为零时，规则前件E与规则后件Y无关，CF为负值表示由规则前件E推出规则后件Y的不可信程度，CF为正值表示由规则前件E推出规则后件Y的可信程度；III‑43、推理机包含从事实出发通过故障知识规则推理得到结论的推理策略；若输入的事实与规则前件匹配时，则直接输出该事实对应规则后件，即故障类型的可信度；若输入新事实，则按照基于可信度的不确定推理方法和已有的故障知识规则，推理求出新事实对应输出结果的可信度；以光伏阵列运行状态数据作为输入向量X＝{x1，x2，...，xn}，由故障检测步骤计算得到该组输入向量相对其正常值的变化状态作为故障知识规则库的输入事实即规则前件：E＝{E1，E2，...，En}，该组输入向量对应故障类型即故障知识规则库的规则后件Y＝{y1，y2，...，ym}，利用故障知识规则库和不确定推理方法计算故障类型的可信度分布，不确定推理方法如下：故障知识规则库中故障知识规则定义为：规则前件Ei为输入事实，规则后件Y为结论，CF(Y，Ei)为输入事实Ei对结论Y的可信度；计算单条输入事实Ei对结论Y的可信度的计算式为：CFi(Y)＝CF(Y，Ei)×max{0，CF(Ei)}    (4‑1)计算输入事实Ei，Ej(Ei∈E，Ej∈E)两两组合成的输入事实E对结论Y的可信度CFi，j(Y，E′)的计算公式如下：故障类型的可信度分布：以此作为故障诊断的依据；III‑44、故障知识获取与故障知识更新的方法：III‑441、通过步骤III‑42建立的故障知识规则库，获故障得知识规则；III‑442、通过外部输入触发并由内部推理机推理得到新的故障知识；所述步骤III‑5的决策树模型构建是根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由不确定推理方法进行推理计算；III‑5、决策树模型构建基于故障知识库的经验规则和推理机的推理策略构建决策树模型；根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由推理策略进行推理计算；根据经验知识选取决策树结点分裂属性并构建决策树的过程如下：根结点分裂属性选为I_sc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为开路；否则进入到下一结点，分裂属性选为U_oc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，类别为短路；否则进入到下一结点，分裂属性选为I_mpp，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为老化；否则进入到另一叶子结点，故障类型为阴影；其中，每条决策路径的可信度由推理知识进行推理计算；IV、故障诊断由光伏阵列运行的特征参数阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U一组输入向量，放到已训练好的神经网络中进行诊断，得到相应的输出向量——故障类型，包括开路、短路、老化和遮阴，并记录此测试路径的权值；将步骤I采集的运行数据放到决策树进行决策，得到决策结果和相应可信度，当二者直接匹配，即得到决策结果的可信度，若二者不匹配，则应用推理机基于可信度的不确定推理方法进行推理；若不能直接匹配且应用不确定推理方法推理不出相应的故障类型，则将决策树决策权值设为0，神经网络决策权值设为1；V、故障预警根据光伏阵列故障诊断模型神经网络和决策树的决策结果进行综合评价得到最后的故障类型的可信度，选择性进行故障预警；VI、故障知识库更新主要是对上述步骤II故障检测、步骤IV故障诊断和步骤V故障预警的监督性学习反馈，以对故障知识库进行知识更新和充实完善，使本方法得到更准确的故障诊断结果，主要是根据光伏阵列系统的故障维修现场的实测情况，验证本方法故障预警结果的准确性，对预警结果和故障实情进行分析，更新故障知识规则库的相关知识规则，修正相关规则的可信度。